ИИ в медицине

Исследователи разработали BIGraph-ST — новый метод на основе графовых нейронных сетей для идентификации функциональных доменов в пространственной транскриптомике. Метод интегрирует два типа данных:_scores активности биологических путей и признаки гистологических изображений, что позволяет преодолеть шум и разреженность данных экспрессии генов. BIGraph-ST представляет сходство между модальностями через аффинные графы и распространяет пространственную топологию для захвата связности высшего порядка в тканевом микроокружении. Экспериментальные результаты показали робастную производительность и значительные улучшения на множестве бенчмарк-датасетов, особенно на образцах раковых тканей. Ключевое преимущество метода — биологически интерпретируемые представления доменов на уровне путей, что даёт исследователям инструмент для получения биологических инсайтов о сложных тканевых архитектурах. Исходный код будет опубликован после принятия статьи. Данная работа напрямую применяет методы машинного обучения для анализа медицинских данных в онкологии и патологической анатомии.

Исследование оценивает применимость современных ИИ-моделей предсказания функционального эффекта генетических вариантов (AlphaMissense, ESM-2) к ферментам цитохрома P450, которые метаболизируют около 75% клинически используемых лекарств. Авторы демонстрируют, что гомологические модели систематически ошибаются на фармакогенах: AlphaMissense классифицирует варианты как «неоднозначные» почти в два раза чаще, чем в среднем по протеому, а внутри этого класса корреляция с экспериментальной активностью CYP2C9 составляет всего ρ = 0,069. Исследователи разработали ансамблевую модель на основе k-ближайших соседей над эмбеддингами ESM-2, которая улучшила корреляцию для неоднозначных вариантов в 10 раз — с ρ = 0,069 до ρ = 0,715 (общая корреляция выросла с 0,638 до 0,825). Однако даже эта улучшенная точность не согласуется с клиническими аннотациями. Авторы выдвигают гипотезу, что ключевой недостающий признак — идентичность субстрата, поскольку эффект варианта может зависеть от конкретного лекарства, и предлагают переопределить функцию как условную относительно субстрата. Работа имеет прямое значение для персонализированной медицины и фармакогеномики, указывая на фундаментальные ограничения текущих ИИ-подходов в предсказании лекарственного ответа.

В данной работе представлен уникальный открытый набор данных трёхмерных численных симуляций кровотока и сеток коронарных артерий, реконструированных из инвазивных рентгеновских коронарных ангиограмм клинического исследования FAME 2 (Fractional Flow Reserve versus Angiography for Multivessel Evaluation 2). Из 914 клинических изображений успешно реконструировано и обработано 779 сосудов, остальные 135 отклонены из-за самопересекающейся геометрии при реконструкции. Сетки выполнены в гексаэдрическом формате с идентичной топологией и количеством вершин, их высокое качество подтверждено стандартными метриками качества сеток. Симуляции проведены методом конечных элементов (FEM) с применением современных граничных условий для коронарного кровотока на выходных участках. Мотивация проекта обусловлена критическим дефицитом общедоступных данных численной гемодинамики несмотря на растущий интерес к методам машинного обучения и data-driven моделированию в кардиологии. База данных доступна по ссылке DOI 10.7910/DVN/GPCUNS и предназначена для разработки и валидации алгоритмов искусственного интеллекта в диагностике ишемической болезни сердца. Этот ресурс может ускорить создание ML-моделей для неинвазивной оценки фракционного резерва кровотока (FFR) и персонализированного планирования коронарных вмешательств.

Статья из премиум-раздела STAT+ посвящена изменению взглядов генерального директора компании Schrödinger Рами Фарида на применение искусственного интеллекта в фармацевтике и разработке лекарств. Schrödinger — известная компания в области вычислительной химии и drug discovery, использующая физические модели и машинное обучение для ускорения открытия новых препаратов. В выпуске новостной рассылки AI Prognosis также упоминаются новости о компании Recursion и её карте нейронов, что указывает на обсуждение нейросетевых подходов в биомедицинских исследованиях. Материал затрагивает стратегические вопросы внедрения ИИ в здравоохранении и фармацевтической отрасли, включая возможные ограничения и пересмотр ожиданий от технологий искусственного интеллекта. К сожалению, предоставленный фрагмент содержит только заголовок и краткое описание без деталей исследования, конкретных результатов или методологии. Для полноценной оценки вклада в тему ИИ в медицине необходим доступ к полному тексту статьи. Источник — авторитетное медицинское издание STAT, специализирующееся на новостях здравоохранения и биотехнологий.

Исследователи разработали новый метод глубокого обучения для молекулярной динамики, который позволяет проводить симуляции на значительно более длительных временных масштабах по сравнению с существующими подходами. Ключевое достижение метода — преодоление традиционного фемтосекундного ограничения при сохранении точности предсказания физических свойств молекул. Технология опубликована в журнале Nature Machine Intelligence 5 августа 2026 года. Метод использует нейросетевое прогнозирование траекторий молекулярного движения, что открывает возможности для более эффективного моделирования биомолекулярных процессов. Данное исследование имеет потенциальное значение для фармацевтической разработки и дизайна лекарств, где молекулярная динамика применяется для изучения взаимодействий белков и лигандов. Однако статья не содержит конкретных количественных результатов или данных о клинических применениях, что ограничивает прямую оценку медицинской релевантности.

Статья рассматривает возможности Индии устранить масштабный разрыв в лечении психических заболеваний путём конвергенции существующих национальных активов: цифровой инфраструктуры здравоохранения, теле-психиатрической службы Tele MANAS и программы психического здоровья на уровне округов. Упоминается начало регулирования ИИ в здравоохранении, но основной фокус — на организации системы помощи с использованием цифровых инструментов и распределённой рабочей силы.

Исследователи разработали новую архитектуру глубокого обучения CREAM (Contrastive Regulatory Embeddings Attention Model) для предсказания персонализированной экспрессии генов на основе последовательностей ДНК. Основная проблема, которую решает модель — обучение межиндивидуальных различий, когда вариации последовательности ДНК между людьми минимальны, а экспрессия генов сильно зависит от негенетического шума. Методология включает декомпозицию экспрессии генов на генетические и негенетические компоненты, а также использование контрастных регуляторных эмбеддингов для улавливания тонких различий в последовательностях. Модель была оценена на симулированных данных и транскриптомных наборах данных GTEx, где продемонстрировала значительное превосходство над базовыми архитектурами на обучающих генах и способность автономно приоритизировать статистически точно определённые причинные локусы количественных признаков экспрессии (eQTL). Введение вспомогательного индуктивного смещения L1 дополнительно улучшило локализацию причинных вариантов в невиданных генах. Однако обобщение на предсказание экспрессии невиданных генов остаётся нерешённой проблемой — корреляция падает практически до нуля у всех тестированных методов. Исследование подчёркивает ключевые препятствия в моделировании персонализированной генной регуляции и намечает направления для будущих разработок в области прецизионной медицины.

GE HealthCare запустила новые решения для УЗИ молочной железы Invenia ABUS Prime и ABUS StreamVue с интегрированными ИИ-инструментами Verisound AI и QVCAD для оценки качества сканирования и обнаружения поражений. ИИ-ассистент демонстрирует сокращение времени чтения на 33% и чувствительность до 93% для детекции опухолей, что особенно важно для женщин с плотной тканью молочной железы.

Исследователи разработали статистический фреймворк SAHA (Semi-Automated Hand Annotation) — R-пакет для быстрой передачи меток между наборами одноклеточных и пространственных транскриптомных данных. Метод использует сводные статистики и пользовательские гиперпараметры для сопоставления неназванных кластеров query-данных с референсными типами клеток, применяя маркер-зависимые или маркер-независимые подходы. Пакет предварительно загружен сводными статистиками из Allen Brain Cell Atlas мышиного мозга, что позволяет проводить быстрые сравнения, имитирующие аннотирование через интеграционные стратегии. Авторы продемонстрировали гибкость метода на множестве исследований: одноклеточные ядра мышиного мозжечка, мышиной и человеческой коры головного мозга, периферических мононуклеарных клеток крови человека, а также одном мышином пространственном транскриптомном анализе. Важное преимущество — отсутствие требований к обмену сырыми данными, что решает вопросы приватности. Фреймворк генерирует автоматические HTML-отчёты со сводными статистиками для прозрачности решений по типизации клеток.

Компания Daffodil Health, специализирующаяся на технологиях искусственного интеллекта для здравоохранения, запустила новую платформу для страховых компаний и других плательщиков медицинских услуг. Платформа предназначена для автоматизации и оптимизации процесса управления спорами в соответствии с федеральным законом No Surprises Act (NSA), который защищает пациентов от неожиданных медицинских счетов. Решение использует алгоритмы машинного обучения для анализа претензий, выявления потенциальных конфликтов и поддержки процесса арбитража между плательщиками и поставщиками медицинских услуг. Внедрение ИИ позволяет сократить время обработки споров, уменьшить административную нагрузку на персонал и повысить точность принятия решений. Для страховых компаний это означает снижение операционных издержек и более эффективное соблюдение регуляторных требований. Платформа представляет собой пример применения искусственного интеллекта в административной сфере здравоохранения, а не в клинической практике.

Amae Health объявила о партнёрстве с Google Health с целью интеграции данных с носимых устройств в систему помощи пациентам с серьёзными психическими заболеваниями (SMI). Долгосрочная цель проекта — разработка предиктивной модели на основе машинного обучения, которая будет анализировать данные с wearable-устройств и другие источники информации для оценки состояния заболевания и его прогрессирования. Система предназначена для выявления ранних предупреждающих признаков клинического ухудшения у пациентов, что позволит своевременно вмешиваться и корректировать лечение. Интеграция данных носимых устройств открывает возможности для непрерывного мониторинга пациентов в реальных условиях, а не только во время визитов к врачу. Партнёрство с Google Health предоставляет доступ к технологической инфраструктуре и экспертизе в области обработки медицинских данных. Данная инициатива представляет собой пример применения ИИ-технологий для улучшения помощи в области ментального здоровья, где раннее выявление проблем особенно критично. Однако в предоставленном материале отсутствуют конкретные детали о стадии разработки, планах внедрения или ожидаемых сроках запуска продукта.

Исследование представляет собой клиническую валидацию системы искусственного интеллекта для анализа морфологии периферической крови в цифровом формате. Работа выполнена в формате многоцентрового рандомизированного парного исследования, что является золотым стандартом для клинической валидации диагностических инструментов. ИИ-ассистированный подход направлен на автоматизацию и повышение точности анализа клеток крови, что критически важно для диагностики гематологических заболеваний, анемий, лейкозов и других патологий. Многоцентровый дизайн обеспечивает репрезентативность результатов и возможность генерализации выводов на различные клинические условия и популяции пациентов. Парный метод исследования позволяет напрямую сравнить эффективность ИИ-системы с традиционными методами морфологического анализа. Публикация в npj Digital Medicine указывает на высокий научный уровень работы и её соответствие стандартам цифровой медицины. Результаты исследования имеют практическую значимость для внедрения ИИ-диагностики в клиническую лабораторную практику.

Исследование опубликовано в рецензируемом журнале npj Digital Medicine 5 августа 2026 года. Работа посвящена разработке модели динамического прогнозирования риска преждевременных родов и определения гестационного возраста при родах с использованием лонгитюдных данных из электронных медицинских карт (EHR). Подход предполагает применение методов машинного обучения для анализа временных рядов медицинских данных пациентов в течение беременности, что позволяет обновлять прогнозы по мере поступления новой информации. Использование динамических моделей вместо статических даёт возможность более точной оценки рисков на разных сроках гестации. Исследование имеет прямую клиническую значимость для акушерской практики, позволяя врачам своевременно выявлять пациенток с повышенным риском преждевременных родов и принимать превентивные меры. Работа представляет интерес для специалистов по цифровой медицине, разработчиков клинических систем поддержки принятия решений и исследователей в области прогностической аналитики здравоохранения.

Исследование опубликовано в рецензируемом журнале npj Digital Medicine 5 августа 2026 года и посвящено применению больших языковых моделей (LLM) для автоматизации процесса сортировки медицинских направлений в условиях многопрофильной больницы третичного уровня. Работа рассматривает внедрение ИИ-системы для оптимизации маршрутизации пациентов между специалистами, что является актуальной задачей для снижения нагрузки на медицинский персонал и уменьшения времени ожидания консультаций. Журнал npj Digital Medicine входит в издательскую группу Nature и специализируется на исследованиях цифровых технологий в здравоохранении, что подтверждает научную значимость работы. К сожалению, в предоставленном материале отсутствуют детали методологии, конкретные метрики эффективности системы (точность сортировки, время обработки, снижение нагрузки на персонал) и результаты клинической валидации. Тема исследования высоко релевантна для практического здравоохранения, поскольку автоматизация триажа направлений может существенно улучшить организацию медицинской помощи и снизить административную нагрузку на врачей. Для полной оценки вклада исследования необходимы дополнительные данные о размере выборки, дизайне исследования и сравнении с существующими методами триажа.

Исследование изучает мнение 10 клиницистов о применении машинного обучения для диагностики обструктивного апноэ сна. Выявлена необходимость регуляторных руководств и участия медицинских экспертов, при этом врачи должны сохранять ведущую роль над ИИ. Работа направлена на повышение доверия клиницистов к машинному обучению и улучшение внедрения технологий в клиническую практику.

Исследование представляет новый метод интерпретации протеиновых языковых моделей (PLM) для идентификации функционально значимых регионов белков. Авторы использовали модель ESM-2 (Evolutionary Scale Modelling 2) для выявления сайтов с высоким вниманием (HA sites) — специфических аминокислотных остатков, которым модель assigns наибольшее внимание на ранних этапах кодирования. Применено unsupervised clustering для категоризации HA сайтов на четыре типа: «структурное ядро», «структурные патогенные», «ядерные патогенные» и «низкая достоверность». Методология включала интеграцию с предсказаниями патогенности AlphaMissense и данными пан-ракового анализа всего генома (PCAWG) для валидации. Результаты показали, что HA сайты эффективно предсказывают белковые регионы с высоким патогенным риском и могут идентифицировать кандидатные сайты связывания. В нескольких примерах онкологических белков метод обнаружил ранее неизвестные регионы с высокой вероятностью взаимодействия, что имеет потенциальную терапевтическую ценность. Работа демонстрирует биологическую интерпретируемость представлений PLM и предлагает практический инструмент для приоритизации функционально релевантных белковых остатков в биомедицинских исследованиях и разработке таргетных терапий.

Исследователи разработали MHChron — единую систему прогнозирования связывания пептидов с молекулами MHC класса I и II на основе машинного обучения для оценки иммуногенности. Ключевое достижение — создание одного из самых разнообразных обучающих датасетов на сегодняшний день, охватывающего 214 аллелей MHC класса I и 98 аллелей класса II, с пептидами длиной от 8 до 36 аминокислотных остатков. Авторы обучили два типа моделей: последовательностную и структурно-ориентированную, протестировав их в строгих режимах генерализации с контролем утечки данных. Обе модели превзошли существующие решения state-of-the-art, несмотря на обучение на меньшем объёме данных. Структурная модель не показала систематического преимущества над последовательностной, за исключением экстраполяции на новые кластеры аллелей, что указывает: ключевой фактор успеха — разнообразие датасета и тщательная валидация, а не архитектурная сложность. Последовательностная версия MHChron доступна с воспроизводимой установкой и автоматизированным пайплайном для скрининга целых белков, что делает инструмент практичным для разработки вакцин и иммунотерапии рака.

Исследование систематически оценивает уязвимость фундаментальных ИИ-моделей для геномики к отравлению обучающих данных через бэкдор-атаки. Авторы протестировали три семейства моделей с семью масштабами параметров (от 50 миллионов до 7 миллиардов) на 18 задачах геномной классификации. Разработаны два типа триггеров длиной 48 нуклеотидов: синтетическая последовательность и биологически обоснованный триггер на основе терминальных инвертированных повторов транспозонов. Отравление всего 5% обучающих данных привело к успеху атак от 91,4% до 100% во всех тестированных моделях, при этом увеличение масштаба параметров не улучшало устойчивость. Производительность на немодифицированных последовательностях сохранилась: в 79,4% конфигураций изменение составило не более двух процентных пунктов. Предложен двухэтапный метод защиты, сочетающий скрининг чувствительности к одиночным нуклеотидным мутациям с валидацией по референсной базе данных, достигший 100% точности и медианной полноты 92,95%. Результаты подчёркивают необходимость усиленного контроля происхождения данных и посттренировочного аудита безопасности для медицинских ИИ-систем, работающих с геномными данными.

Исследователи представили MAXWELL (Matrix-wise Landscape Learning) — новый метод пост-обучения для калибровки вероятностных выходов языковых моделей белков с целью прогнозирования влияния мутаций на стабильность белков. Метод позволяет генерировать мутационные ландшафты, количественно оценивающие эффекты отдельных аминокислотных замен на стабильность белка, что критически важно для белковой инженерии и разработки терапевтических препаратов. При применении к модели ProteinMPNN MAXWELL продемонстрировал результаты уровня state-of-the-art, превзойдя ThermoMPNN и другие представительные методы на курированном бенчмарке экспериментально измеренных изменений стабильности. Экспериментальная валидация включала дизайн десяти точечных мутаций в дегалогеназе DhaA, из которых семь (70%) увеличили термическую стабильность белка. Наибольшее улучшение показала мутация G171W с измеренным значением ΔT 4.91°C. Эти результаты подтверждают MAXWELL как практическую стратегию для дизайна стабилизирующих мутаций с потенциальным применением в разработке ферментных терапевтических препаратов и биотехнологии.